Tugas Analisis Multivariat

Analisis Diskriminan

Disusun untuk Memenuhi Tugas Mata Kuliah Teknik Analisis Data

Dosen Pengampu : Drs. Isnandar Slamet, M.Sc, Ph.D

Disusun oleh:

Depi Puspita Arum

S851608010

PROGRAM PASCASARJANA PENDIDIKAN MATEMATIKA

UNIVERSITAS SEBELAS MARET
SURAKARTA
2016
 ANALISIS DISKRIMINAN

A. Pendahuluan
Pada analisis variansi multivariat, dikaji perbedaan antarkelompok pada
variabel terikat yang ditentukan. Jika memang ada perbedaan, pertanyaan yang
muncul kemudian adalah bagaimanakah berdasarkan variabel-variabel tersebut,
suatu objek dapat dikelompokkan kepada suatu kelompok tertentu.
Analisis diskriminan adalah metode statistika yang digunakan untuk
mengelompokkan atau mengklasifikasikan satu atau lebih objek ke dalam suatu
kelompok berdasarkan beberapa variabel tertentu sedemikian rupa sehingga setiap
objek menjadi anggota dari salah satu kelompok dan tidak ada objek yang menjadi
anggota lebih dari satu kelompok.
Analisis diskriminan adalah salah satu teknik analisis multivariat yang bisa
digunakan pada bentuk metode dependensi (hubungan antar variabel dimana
sudah dapat dibedakan mana variabel respon dan mana variabel penjelas). Metode
dependensi diklasifikasikan berdasarkan pada jumlah variabel terikat (dependent
variable) dan skala pengukurannya. Jika variabel terikat (dependent variabel)
hanya satu dan pengukurannya bersifat non metrik maka teknik analisisnya
menggunakan analisis diskriminan.
Analisis diskriminan dilakukan dengan pembentukan suatu kombinasi linear
dari variabel-variabel, sehingga skor komposit dari setiap objek yang terlibat
menjadi petunjuk pada kelompok mana suatu objek menjadi anggota. Apabila
banyaknya kelompok yang dilibatkan lebih dari dua buah, maka pada umumnya
diperlukan lebih dari satu fungsi komposit untuk mengadakan pengelompokkan
atau klasifikasi.
Perlu diperhatikan bahwa jika pada analisis variansi multivariat, variabel-
variabel yang dibicarakan menjadi variabel terikat, maka pada analisis
diskriminan, variabel-variabel tersebut menjadi variabel bebas atau variabel
peramal.
Berikut ini beberapa contoh kasus yang dapat diselesaikan dengan
menggunakan analisis diskriminan:
 Seorang analisis keuangan ingin mengetahui variabel-variabel atau faktor-
faktor apa saja yang membedakan antara perusahaan sehat dan perusahaan
yang mengalami kebangkrutan. Analis keuangan tersebut juga ingin
mengetahui apakah mungkin menggunakan faktor-faktor yang telah
teridentifikasi tadi sebagai bentuk indek yang mampu membedakan kedua
perusahaan sehat dan bangkrut. Indek tersebut kemudian digunakan untuk
meramalkan kemungkinan perusahaan akan bangkrut dikemudian hari.
Seorang dokter tertarik ingin menentukan faktor-faktor apa saja yang secara
signifikan dapat membedakan antara pasien yang pernah terserang penyakit
jantung dan pasien yang tidak pernah terserang penyakit jantung. Dokter
tersebut kemudian ingin menggunakan faktor-faktor yang telah teridentifikasi
untuk meramalkan apakah seseorang pasien akan terserang penyakit jantung di
masa yang akan datang.

B. Tujuan Analisis Diskriminan

Oleh karena bentuk multivariat dari analisis diskriminan adalah dependen,
maka variabel dependen adalah variabel yang menjadi dasar analisis diskriminan.
Adapun tujuan dari analisis diskriminan antara lain :
1. Mengetahui perbedaan yang jelas antar grup pada variabel dependen.
2. Jika ada perbedaan, variabel independen manakah pada fungsi diskriminan
yang membuat perbedaan tersebut.
3. Membuat fungsi atau model diskriminan (yang mirip dengan persamaan
regresi).
4. Melakukan klasifikasi terhadap obyek ke dalam kelompok (grup).

C. Asumsi Analisis Diskriminan

Asumsi penting yang harus dipenuhi agar model diskriminan dapat
digunakan antara lain :
1. Variabel bebas harus terdistribusi normal (adanya normalitas).
2. Matriks kovarians semua variabel bebas harus sama (equal).
3. Tidak terjadi multikolinearitas (tidak berkorelasi) antar variabel bebas.
D. Analisis Diskriminan untuk Dua Kelompok
Misalnya terdapat p variabel peramal X1, X2, ... , Xp pada Kelompok I,
yang berukuran n1, dan Kelompok II, yang berukuran n2, yang tata letaknya
adalah sebagai berikut.
Tabel 1. Tata Letak Data Analisis Diskriminan untuk Dua Kelompok
Kelompok Kelompok I Kelompok II
Var-
X1 X2 ... Xp X1 X2 ... Xp
Peramal
Data X111 X211 Xp11 X121 X221 Xp21
X112 X212 Xp12 X122 X222 Xp22
X113 X213 Xp13 X123 X223 Xp23
... ... ... ... ... ...
X11n1 X21n1 Xp1n1 X12n2 X22n2 Xp2n2
Banyak
n1 n2
Data
Rerata 11
X 21
X ...
Xp1 12
X 22
X ...
Xp2
Komposisi linear dari X1, X2, ..., Xp yang dicari berbentuk:
Y = b1X1 + b2X2 + ... + bpXp
=bX
b1 X1
dengan b = [b2 ] dan X = [X2 ]
bp Xp
Matriks b dicari dengan menggunakan rumus berikut :

= ( )
dengan

X11
X12

) = [X 21 ] [X 22 ]

(

Xp1
Xp2

= +

dimana W1 adalah SSCP kelompok I dan W2 adalah SSCP kelompok II.

 Untuk selanjutnya, fungsi Y = b1X1 + b2X2 + ... + bpXp disebut fungsi
diskriminan dan b1, b2, ...,bp disebut bobot diskriminan.
Statistik uji untuk menguji signifikansi fungsi diskriminan tersebut adalah
+
= ~(, + )
+ ( + )
dengan

=

= ( ) (

)
Kuantitas D2 pada persamaan diatas disebut Jarak Mahalanobis antara
vektor rerata sampel. Perhatikanlah bahwa D2 adalah suatu notasi yang
menunjukkan bahwa jarak Mahalanobis tersebut tidak pernah bernilai negatif.
Notasi D2 bukan notasi dari sesuatu yang dikuadratkan.
Contoh 1:
1. Diketahui dua kelompok sampel, yaitu kelompok I, misalnya kelompok dosen
(dengan ukuran 5) dan kelompok II, misalnya kelompok pegawai bank (dengan
ukuran 3) dengan variabel peramal kualitas baju yang dipakai (X1) dan kualitas
dasi yang dipakai (X2).
Tabel 2. Data Hipotetik Kualitas Baju dan Dasi
Kelompok I Kelompok II
Kualitas Baju Kualitas Dasi Kualitas Baju Kualitas Dasi
NS NS
(X1) (X2) (X1) (X2)

1 1 6 6 4 8
2 2 3 7 5 6
3 3 4 8 6 7
4 5 4
5 2 5
Jika diambil = 0,05 carilah fungsi diskriminasi dan ujilah signifikansinya.
Jawab:
Pertama kita harus mencari SSCP untuk kelompok I dan SSCP kelompok II.
Untuk kelompok I berikut ini adalah komputasinya:
 X 2
SS1 X12 1 43 169 9.2
n1 5

X 2
SS2 X 22 2 102 484 5.2
n1 5

X1 X2
SS12 X1X2
(13)( 22 )
n1
54 5
3.2

9.2 3.2
W1
3.2 5.2
Dengan cara yang sama, SSCP untuk kelompok II adalah:

X1 2 225
SS1 X n1 77
1
2
2.0
3

X 2
SS 2 X 22 n1 2 149
441
2.0
3
X1 X
SS12 X 1 X 2 n1 2 104
(15)( 21)
1.0
3
2.0 1.0
W2
1.0 2.0

Dari W1 dan W 2 diperoleh:

W1 W2 11.2 4.2 1.87 0.70

S W 1
7.2 0.70 1.20
dan
n1 n 2 2 n1 n 2 2 6 4.2

1.20 0.70 0.684 0.399

S 1 = 1
0.70 1.87 0.399 1.066
1.754

13 22
Rerata variabel pada kelompok I adalah 11 = = 2.6 dan 21 = = 4.4
5 5

15 21
Rerata variabel pada kelompok I adalah 12 = 3 = 5 dan 22 = 3 = 7

2.6 5.0 2 .4
Sehingga diperoleh X1 X2 2 .6
4.4 7.0
Nilai b dihitung sebagai berikut:

= ( )

0.684 0.399 2.4

=[ ][ ]
0.399 1.066 2.6

2.6790
b=[ ]
3.7292

Dengan demikian diperoleh fungsi diskriminan Y = -2.6790X1 + (-3.7292)X2.

Untuk kelompok I diperoleh:

1 = (2.6790)(2.6) + (3.7292)(4.4) = 23.374.

Sedangkan untuk kelompok II diperoleh:

2 = (2.6790)(5.0) + (3.7292)(7.0) = 39.499.

Titik (-23.374) merupakan pusat (centroid) kelompok I dan titik (-39.499)

merupakan pusat kelompok II.
Untuk menguji signifikansi fungsi diskriminan, dilakukan hal berikut.

=
= 23.374 (39.499)
= 16.125
+
=
+ ( + )
(5)(3) 5+321
= 5+3 (5+32)2
(16.125)
15 5
= ( ) ( ) (16.125) = 12.60
8 12

Karena F0,05;2,5 = 5.79 yang berarti bahwa Fobs DK, maka H0 ditolak, yang
berarti fungsi diskriminan Y = -2.6790X1 - 3.7292X2 signifikan.
Contoh 2:
2. Diketahui seperti pada Contoh 1.
a. Jika suatu objek mempunyai nilai X1 = 2 dan X2 = 6, menjadi anggota
kelompok I atau kelompok II objek tersebut?
 b. Jika suatu objek mempunyai nilai X1 = 5 dan X2 = 5, menjadi anggota
kelompok I atau kelompok II objek tersebut?
Jawab.
Karena fungsi diskriminan Y = -2.6790X1 + (-3.7292)X2 signifikan, maka fungsi
tersebut dapat dipakai sebagai petunjuk untuk mengelompokkan suatu objek
apakah termasuk kepada kelompok I atau kelompok II. Perhatikanlah bahwa
berdasarkan fungsi diskriminan tersebut dapat dicari
1 = (2.6790)(2.6) + (3.7292)(4.4) = 23.374.

2 = (2.6790)(5.0) + (3.7292)(7.0) = 39.499.

Y1 +
Y2 (23.374) + (39.499)

Y= = = 31.4365
2 2

Jawab untuk soal a:

Untuk melihat apakah objek dengan nilai X1 = 2 dan X2 = 6 termasuk kepada

kelompok I atau kelompok II, dihitung nilai fungsi diskriminan untuk X1 = 2 dan
X2 = 6 tersebut.

= (2.6790)(2) + (3.7292)(6) = 27.7332

Karena {31.4365 27.7332 23.374} maka objek dengan nilai X1 = 2

dan X2 = 6 termasuk kepada kelompok I. Ini berarti, seseorang yang kualitas
bajunya 2 dan kualitas dasinya 6 mempunyai peluang yang lebih besar untuk
menjadi anggota kelompok dosen daripada menjadi anggota kelompok pegawai
bank.

Jawab untuk soal b:

Untuk melihat apakah objek dengan nilai X1 = 5 dan X2 = 5 termasuk kepada

kelompok I atau kelompok II, dihitung nilai fungsi diskriminan untuk X1 = 5 dan
X2 = 5 tersebut.

Y = (2.6790)(5) + (3.7292)(5) = 32.0410

Karena {39.499 32.0410 31.4365} maka objek dengan nilai X1 = 5
dan X2 = 5 termasuk kepada kelompok II. Ini berarti, seseorang yang kualitas
bajunya 5 dan kualitas dasinya 5 mempunyai peluang yang lebih besar untuk
menjadi anggota kelompok pegawai bank daripada menjadi anggota kelompok
dosen.

E. Analisis Diskriminan untuk k Kelompok (k > 2)

Misalnya terdapat p variabel peramal peramal X1, X2, ... , Xp pada kelompok
I, yang berukuran n1, dan kelompok II yang berukuran n2, ... , dan pada kelompok
ke-k yang berukuran nk sebagai berikut.
Tabel 3. Tata Letak untuk k Kelompok dengan p Variabel Terikat

Seperti telah disinggung di depan, jika terdapat lebih dari dua kelompok,
maka pada umumnya terdapat lebih dari satu fungsi diskriminan . Jika semua
fungsi diskriminannya signifikan, makaa fungsi-fungsi diskriminan tersebut dapat
dipakai sebagai petunjuk untuk melakukan pengelompokkan. Sebaliknya, jika ada
fungsi diskriminan yang tidak signifikan, maka tidak dapat dilakukan
pengelompokkan dengan menggunakan fungsi-fungsi tersebut.
Fungsi diskriminan yang dicari berbebtuk:
= + + +
dengan = [ ] adalah vektor eigen terstandar dari

. Perhatikan bahwa vektor am disebut terstandar jika + + +

= .
Untuk menguji signifikansi diskriminan tersebut didefinisikan statistik uji
berikut, yang berdistribusi chi kuadrat.
 p+k
V = {N 1 } ln A
2

+
= { 1 } ln{(1 + 1 )(1 + 2 ) . (1 + )}
2
p+k
= {N 1 } {ln(1 + 1 ) + ln(1 + 2 ) + + ln(1 + r )}
2
r
p+k
= {N 1 } ln(1 + m )
2
m=1

Dengan = 1 + 2 + + dan 1 , 2 , , adalah nilai eigen tak nol dari

yang telah diurutkan dari besar ke kecil (dalam arti berlaku 1 2
).
Perlu diketahui bahwa jika mempunyai r buah nilai eigen tak nol
||
1 , 2 , , dan A adalah nilai lambda Wilk yang didefinisikan sebagai = ||
,

maka berlaku :
1 1 1
= ( )( )( )
1 + 1 1 + 2 1 +
1
= (1 + 1 )(1 + 2 ) (1 + )

1
Sehingga ln = = ln{(1 + 1 )(1 + 2 ) (1 + )}

= ln(1 + 1 ) + ln(1 + 2 ) + ln(1 + 3 ) + + ln(1 + )

= ln(1 + )
=1

Komponen ke-m dari statistik V di atas, yang berbentuk berikut, juga berdistribusi
chi kuadrat.
+
= { 1 } ln(1 + )
2
Perhatikan bahwa 1 2
Untuk menguji signifikansi fungsi-fungsi diskriminan yang diperoleh, digunakan
statistik uji berikut.
 Tabel 4. Statistik Uji untuk Menguji Fungsi Diskriminan
Fungsi diskriminan Statistik Uji Derajat Kebebasan
Fungsi diskriminan pertama V p(k-1)
Fungsi diskriminan kedua V V1 (p 1)(k 2)
Fungsi diskriminan ketiga V V1 V2 (p 2)(k 3)
.... ..... ....
Catatan : Statistik uji V, V V1, V V2, dan seterusnya berdistribusi chi-kuadrat.
Contoh 3:
3. Dari populasi diambil tiga sampel yang masing-masing berukuran 5. Sampel
pertama diambil dari populasi siswa-siswa SMK, sampel kedua diambil dari
populasi siswa-siwa SMA IPA. Ketiga kelompok diuji kemampuan
matematikanya yang terdiri dari dua ujian yaitu ujian pemahaman konsep dan
ujian keterampilan komputasi. Datanya adalah sebagai berikut.
Tabel 5. Data Hipotetik mengenai Pemahaman Konsep dan Keterampilan
Komputasi pada Anak SMK, SMA IPS dan SMA IPA
SMK SMA IPS SMA IPA
NS Konsep Kompu- NS Konsep Kompu- NS Konsep Kompu-
(X1) tasi(X2) (X1) tasi(X2) (X1) tasi(X2)
1 3 7 6 4 5 11 5 5
2 4 7 7 4 6 12 6 5
3 5 8 8 5 7 13 6 6
4 5 9 9 6 7 14 7 7
5 6 10 10 6 8 15 7 8
Jika diambil =0,05, carilah fungsi diskriminannya dan ujilah signifikansinya.
Jawab:
Untuk data pada kelompok I atau SMK diperoleh:

X1 23 ; X2 41; X1 111 ; X2 343 ; X1 X2 194

2 2

( X )2
SS1 X12 n1 111 235 111 105.8 5.2
2
 ( X )2
SS2 X 22 n 2 343 415 343 336.2 6.8
2

SS12 X1X2 1n 2 194 5

X X (23)( 41)
194 188.6 5.4

5.2 5.4
W1
5.4 6.8
Untuk data pada kelompok II atau SMA IPS diperoleh:

X1 25 ; X2 33 ; X1 129 ; X2 223 ; X1 X2 169

2 2

( X )2
SS1 X12 n1 129 255 129 125 4.0
2

( X )2
SS2 X 22 n 2 223 335 223 217.8 5.2
2

SS12 X1X2 1n 2 169 5

X X (25)(33)
169 165 4.0

4.0 4.0
W2
4.0 5.2

Untuk data pada kelompok III atau SMA IPA diperoleh:

X1 31; X2 31 ; X1 195 ; X2 199 ; X1 X2 196

2 2

( X )2
SS1 X12 1 195 31 195 192.5 2.8
2
n 5

( X )2
SS2 X 22 n 2 199 315 199 192.2 6.8
2

SS12 X1X2 1 2 196

X X (31)(31)
196 192.2 3.8
n 5

2.8 3.8
W3
3.8 6.8
 Diperoleh:

W= W1 W2 W3

5.2 5.4 4.0 4.0 2.8 3.8 12.0 13.2

= 4.0 5.2 3.8 6.8 13.2 18.8
5.4 6.8

Untuk seluruh data, diperoleh:

X1 23 25 31 79 ;

X2 41 33 31 105 ;

X12 111 129 195 435 ;

X22 343 223 199 765 ;

X1 X2 194 169 196 559 ;

n = 5 + 5 + 5 = 15

( X )2
SS1 X12 n1 435 79
2
15
435 416.07 18.93

( X )2
SS2 X 22 n 2 765 105
2
15
765 735 30.00

SS12 X1X2 1n 2 559 15

X X (79 )(105 )
559 553 6.00

18.93 6.00
T=
6.00 30.00
Sehingga diperoleh
18.93 6.00 12.0 13.2 6.93 7.20
= =[ ][ ]=[ ]
6.00 3.00 13.2 18.8 7.20 11.20
Nilai eigen dari W-1B dihitung sebagai berikut:
1 18.8 13.2 0.366 0.257
1 = [ ]=[ ]
51.36 13.2 12 0.257 0.234
0.366 0.257 6.93 7.20 4.387 5.514
= [ ][ ] = [ ]
0.257 0.234 7.20 11.20 3.466 4.471
| | =
4.387 5.514
| |=
3.466 4.471
(4.3787 )(4.471 ) 3.466(5.514) = 0
2 8.858 + 0.503 = 0
(8.858) (8.858)2 (4)(1)(0.503)
1.2 =
(2)(1)
8.858 76.452164
=
2
8.858 8.744
=
2
8.858 + 8.744 8.858 8.744
1 = = 8.801 2 = = 0.057
2 2
Setelah diperoleh nilai eigen, dicari vektor eigen terstandar yang bersesuaian
dengan nilai-nilai eige tersebut.
Untuk 1 = 8.801, diperoleh:
4.387 8.801 5.514
| | | | =
3.466 4.471 8.801
4.414 5.514
| || | =
3.466 4.330
4.414a1 + (5.514a2 ) = 0
5.514
a1 = a = 1.249a2
4.414 2
Untuk memperoleh vektor eigen terstandar, dilakukan hal berikut:
12 + 22 = 1
(1.249a2 )2 + a22 = 1
1.560001a22 + a22 = 1
2.560001a22 = 1
 1
a22 = = 0.39062
2.560001
2 = 0.625
1 = (1.249)(0.625) = 0.781
Dari nilai-nilai eigen terstandar tersebut, fungsi diskriminan pertama dari
percobaan di atas adalah Y1 = 0.781X1 + 0.625X2 .
Untuk 1 = 0.057, diperoleh:
4.387 0.057 5.514
| | | | =
3.466 4.471 0.057
4.330 5.514
| || | =
3.466 4.414
4.330a1 + (5.514a2 ) = 0
5.514
a1 = a = 1.273a2
4.330 2
Untuk memperoleh vektor eigen terstandar, dilakukan hal berikut:
a21 + a22 = 1
(1.273a2 )2 + a22 = 1
1.620529a22 + a22 = 1
2.620529a22 = 1
1
a22 = = 0.38160
2.620529
a2 = 0.618
1 = (1.273)(0.618) = 0.787
Dari nilai-nilai eigen terstandar tersebut, fungsi diskriminan pertama dari
percobaan di atas adalah Y2 = 0.787X1 + 0.618X2 .
Uji Signifikansi Fungsi Diskriminan Pertama
Untuk menguji signifikansi fungsi diskriminan pertama Y1 = 0.781X1 +
0.625X2 , dilakukan sebagai berikut.
p+k
V = {N 1 } ln(1 + m )
2
2+3
= {15 1 } {ln(1 + 8.801) + ln(1 + 0.057)}
2

= {11.5}{ln9.801 + ln1.057}
= (11.5)(2.282 + 0.055)
 = (11.5)(2.337)
= 26.878
Derajat kebebasan yang sesuai adalah p(k-1)=(2)(2)=4 dan berdasarkan tabel
2
diperoleh 0,05;4 = 9.488 sehingga . Kesimpulannya : H0 ditolak: yang
berarti fungsi diskriminan pertama Y1 = 0.781X1 + 0.625X2 signifikan.
Uji Signifikansi Fungsi Diskriminan Kedua
Untuk menguji signifikansi fungsi diskriminan pertama Y1 = 0.787X1 + 0.618X2 ,
dilakukan sebagai berikut.
p+k
V = {N 1 } ln(1 + m )
2
2+3
= {15 1 } ln(1 + 8.801)
2

= {11.5}{ln9.801}
= (11.5)(2.282)
= 26.243
1 = 26.878 26.243 = 0.635
Derajat kebebasan yang sesuai adalah (p-1)(k-2)=(1)(1)=1 dan berdasarkan tabel
2
diperoleh 0,05;1 = 3.841 sehingga 1 . Kesimpulannya : H0 diterima:
yang berarti fungsi diskriminan pertama Y2 = 0.787X1 + 0.618X2 tidak
signifikan.
Tidak signifikannya fungsi kedua menandakan bahwa ketiga kelompok
tersebut tidak semua nya sepasang-pasang berbeda secara signifikan pada
variabel-variabel peramalnya. Ini juga berarti bahwa fungsi fungsi diskriminan
yang ditemukan tersebut tidak dapat dipakai untuk mengelompokkan suatu objek.

F. Analisis Diskriminan Menggunakan Aplikasi SPSS

Dari data pada tabel di bawah ini ingin diketahui faktor-faktor apa sajakah
yang membedakan siswa mandiri dan non-mandiri. Sebanyak 10 siswa diukur
motivasi belajarnya dan kerajinannya menggunakan kuisioner. Adapun data yang
dikumpulkan sebagai berikut.
 Siswa Mandiri Siswa Non-Mandiri
Responden
Motivasi Kerajinan Motivasi Kerajinan
1 5 3 3 3
2 4 4 3 3
3 5 4 2 3
4 4 4 2 4
5 3 3 3 3
6 3 2 2 2
7 4 2 3 3
8 5 3 4 2
9 4 4 3 3
10 3 3 2 2

Prosedur pengolahan data

1. Masukkan data ke data view dan definisi variabel pada variabel view. Data
siswa mandiri dan non mandiri diberi koding dikotomi 1 dan 2.
2. Klik menu Analyze, klik Classify lalu Discriminant.

3. Masukkan siswa kedalam Grouping variables, dalam define variables,

isikan 1 untuk minimum (mandiri) dan 2 untuk maksimum (tidak mandiri).
Pada kolom Independents isikan motivasi dan kerajinan.
4. Klik menu statistics, dan aktifkan semua menu seperti pada gambar
berikut dan pilih continue.

5. Pilih menu classification, dan aktifkan menu Casewise Results, dan semua
pilihan dalam Plot. Kemuadian klik Continue.

Kemudian setelah selesai klik OK, maka akan muncul output yang akan
dijelaskan satu persatu berikut ini
 Output Analisis Diskriminan
Output 1
Group Statistics

Valid N (listwise)

Siswa Mean Std. Deviation Unweighted Weighted

Siswa Mandiri Motivasi 4.0000 .81650 10 10.000

Kerajinan 3.2000 .78881 10 10.000

Siswa Non-Mandiri Motivasi 2.7000 .67495 10 10.000

Kerajinan 2.8000 .63246 10 10.000

Total Motivasi 3.3500 .98809 20 20.000

Kerajinan 3.0000 .72548 20 20.000

Pada kolom Mean, menunjukkan rata-rata motivasi siswa mandiri sebesar

4,00 dan siswa non mandiri sebesar 2,70. Nilai rata-rata kerajinan siswa mandiri
sebesar 3,20 dan siswa non maniri 2,80. Nilai tersebut hanya menunjukkan
perbandingan rata-rata antara siswa mandiri dengan siswa non-mandiri, namun
hasil ini belum menunjukkan signifikansi perbedaan. Untuk pembuktian
perbedaan perlu dilakukan uji-t atau melihat signifikansi Wilks Lambda.

Output 2
Tests of Equality of Group Means

Wilks' Lambda F df1 df2 Sig.

Motivasi .544 15.059 1 18 .001

Kerajinan .920 1.565 1 18 .227

Nilai Wilks Lambda variabel motivasi menunjukkan nilai sebesar 0,544

dengan signifikansi 0,001 yang berarti ada perbedaan signifikan antara motivasi
siswa mandiri dengan non mandiri. Nilai Wilks Lambda variabel kerajinan
menunjukkan nilai sebesar 0,920 dengan signifikansi 0,227 yang berarti tidak ada
perbedaan signifikan antara kerajinan siswa mandiri dan non mandiri.
Berdasarkan nilai tersebut sudah dapat disimpulkan dalam contoh ini, faktor yang
membedakan siswa mandiri dan non mandiri adalah motivasi.
 Output 3
Canonical Discriminant Function Coefficients

Function

Motivasi 1.280

Kerajinan .249

(Constant) -5.034

Unstandardized coefficients

Fungsi diskriminan unstandardized dapat ditulis dengan persamaan

sebagau berikut: Y = -5,034 + 1,280 Motivasi + 0,249 Kerajinan. Nilai persamaan
di atas dapat distandarkan dengan menghitung bobot masing-masing koefisien
serta mengabaikan nilai konstanta. Rumus menghitung bobot (w) sebagai berikut:

=
+
,
= = ,
, + ,

=
+
,
= = ,
, + ,
Fungsi diskriminan unstandarized dapat ditulis dengan persamaan sebagai berikut:
Y = 0,982 Motivasi + 0,191 Kerajinan
Output 4
Wilks' Lambda

Test of
Function(s) Wilks' Lambda Chi-square Df Sig.

1 .537 10.581 2 .005

Nilai Wilks Lambda sebesar 0,537 dengan nilai signifikan 0,005 yang
berarti ada perbedaan yang signifikan antara kelompok siswa mandiri dan siswa
non mandiri.
 Output 5
Eigenvalues

Canonical
Function Eigenvalue % of Variance Cumulative % Correlation

1 .863a 100.0 100.0 .681

a. First 1 canonical discriminant functions were used in the analysis.

Nilai Canonical Correlation sebesar 0,681 yang berarti kemampuan atau

kontribusi dari faktor-faktor diskriminan yang menjelaskan siswa mandiri dan
non-mandiri sebesar 68,1%. Sisanya dijelaskan oleh faktor-faktor lain yang tidak
dijelaskan dalam penelitian ini.

Output 6
Standardized Canonical Discriminant Function Coefficients

Function

Motivasi .958

Kerajinan .178

Nilai standarized canonical discriminant function menunjukkan bahwa

motivasi relatif lebih berperan penting dibandingkan dengan kerajinan dalam
menjelaskan perbedaan siswa mandiri dan non mandiri,

Output 7
Structure Matrix

Function

Motivasi .984

Kerajinan .317

Pooled within-groups correlations between discriminating variables and

standardized canonical discriminant functions
Variables ordered by absolute size of correlation within function.
 Nilai dalam structure matrix menunjukkan nilai loading masing-masing
faktor. Nilai loading motivasi sebesar 0,984 dan kerajianan sebesar 0,317.
Loading factor semakin tinggi semakin baik karena mampu menjelaskan ukuran
siswa mandiri atau non mandiri. Loading factor semakin mendekati nilai 1 maka
semakin baik sebuah faktor.

Output 8

Dalam casewise statistics dapat dilihat kesalahan dalam klasifikasi yaitu

observasi pada nomor 5, 6, 10 dan 18.
 DAFTAR PUSTAKA

Budiyono. (2015). Pengantar Metode Statistika Multivariat. Surakarta. UNS

Press.
Ghozali, Imam. (2009). Aplikasi Analisis Multivariat dengan Program
SPSS. Semarang: Badan Penerbit Universitas Diponegoro.
Wijaya, Toni. (2010). Analisis Multivariat: Teknik Olah Data untuk Skripsi,
Tesi, dan Disertasi Menggunakan SPSS. Yogyakarta: Universitas Atma Jaya
Yogyakarta.